Euno sammelt 23 Mio. $ Series‑A, um eine Kontextschicht für Unternehmens‑KI‑Agenten zu bauen

Euno hat 23 Millionen US‑Dollar in einer Series‑A‑Finanzierungsrunde eingesammelt, um seine Enterprise‑KI‑Kontextplattform auszubauen, da Unternehmen zunehmend mit einem Problem konfrontiert werden, das selbst bessere Grundmodelle allein nicht lösen können: KI‑Agenten genügend organisationsspezifisches Wissen zu geben, damit sie zuverlässig mit komplexen Geschäftsdaten arbeiten können.

Die Runde wurde von N47 angeführt, mit Beteiligung des bestehenden Investors 10D sowie einer Gruppe von Technologie‑Gründern und Führungskräften, zu denen der Mitgründer von Wiz, Yinon Kostika, der Mitgründer und CEO von Cyera, Yotam Segev, der Mitgründer und CEO von Eon, Ofir Ehrlich, der Gründer von Tavily, Rotem Weiss, und der ehemalige CEO und Präsident von Tableau, Mark Nelson, gehören. Die Finanzierung erhöht das Gesamtkapital von Euno auf 29 Millionen US‑Dollar.

Euno wurde 2023 von Sarah Levy und Eyal Firstenberg gegründet und plant, das neue Kapital vor allem für den Ausbau von Vertrieb und Marketing sowie für verstärkte Investitionen in KI‑Forschung zu nutzen. Das Unternehmen, das in den USA und Israel tätig ist und fast 30 Mitarbeitende beschäftigt, rechnet damit, seine Belegschaft bis Jahresende etwa zu verdoppeln.

Der Engpass bei Unternehmens‑KI verschiebt sich hin zum Kontext

Der rasche Fortschritt großer Sprachmodelle hat es zunehmend machbar gemacht, KI‑Agenten einzusetzen, die Datenbanken abfragen, Analysen erzeugen, Code schreiben und Geschäftsprozesse automatisieren können. Doch die Anbindung eines Agenten an Unternehmenssysteme bringt eine weitere Herausforderung mit sich: zu wissen, welche Informationen autoritativ sind.

Ein großes Unternehmen kann Tausende von Tabellen, Dashboards, Kennzahlen, Datenmodellen und konkurrierenden Definitionen desselben Geschäftskonzepts besitzen. Ein KI‑Agent, der beispielsweise aufgefordert wird, den Umsatz zu berechnen, benötigt mehr als nur Zugriff auf eine Datenbank. Er muss wissen, welche Umsatzkennzahl genehmigt ist, welche Tabellen aktuell sind, wie die Kennzahl berechnet wird, woher ihre Eingaben stammen und ob der anfragende Nutzer berechtigt ist, auf die zugrunde liegenden Informationen zuzugreifen.

Euno versucht, dieses institutionelle Wissen in maschinenlesbare Infrastruktur zu überführen.

Seine Plattform erstellt kontinuierlich einen Live‑Kontextgraphen, der Informationen wie Datenherkunft, Nutzung, Eigentümerschaft, Geschäftslogik, Gesundheits‑Signals und Governance‑Status einbezieht. Anstatt jedem Agenten sämtliche verfügbaren Assets zu präsentieren, kann das System Kontext liefern, der für den jeweiligen Nutzer, die Aufgabe und die zu treffende Entscheidung relevant ist.

Diese Unterscheidung könnte immer wichtiger werden, wenn Unternehmen von KI‑Systemen, die Fragen beantworten, zu autonomen Agenten übergehen, die Aktionen über mehrere Unternehmenssysteme hinweg ausführen können.

„Modelle werden immer besser und günstiger, aber der langfristige KI‑Vorteil für Unternehmen wird zunehmend aus dem kumulierten Protokoll dessen resultieren, wie Arbeit erledigt wird“, sagte Euno‑Mitgründerin und CEO Sarah Levy.

Metadaten in Infrastruktur für KI‑Agenten verwandeln

Eunos Technologie basiert auf Metadaten, also Informationen darüber, woher Daten stammen, wie sie transformiert werden, wer sie nutzt und wie verschiedene Assets miteinander verknüpft sind.

Die Plattform kartiert die Spalten‑Ebene‑Herkunft über Data‑Warehouses, Analysesysteme, Dashboards und Kennzahlen und kombiniert diese Informationen anschließend mit Nutzungs‑ und Governance‑Signals. Ihr automatisiertes Kennzeichnungssystem kann Assets dynamisch als Eigenschaften wie „AI‑ready“, „PII‑free“, „healthy“ oder „certified“ klassifizieren, basierend auf von der Organisation festgelegten Regeln. Diese Klassifizierungen werden aktualisiert, sobald sich die zugrunde liegende Datenumgebung ändert.

Euno bietet zudem Workflows, die reagieren können, wenn sich diese Bedingungen ändern. Unternehmen können beispielsweise nicht zertifizierte Dashboards identifizieren, die plötzlich stark genutzt werden, die Verbreitung von persönlich identifizierbaren Informationen (PII) nachverfolgen, undokumentierte Modelle kennzeichnen oder Kennzahlen hervorheben, die interne Qualitätsstandards nicht mehr erfüllen.

Das Unternehmen hat seine eigene Euno Query Language (EQL) entwickelt, um Beziehungen innerhalb des Graphen zu navigieren. Euno gibt an, dass die graphbasierte Architektur es Agenten ermöglicht, verknüpfte Metadaten mit weniger Abfragen abzurufen, wodurch die Menge an Kontextinformationen, die in ein Modell eingespeist werden müssen, potenziell reduziert wird.

Wichtig ist, dass die Plattform so konzipiert ist, dass sie neben der bestehenden Unternehmens‑Dateninfrastruktur existiert, anstatt sie zu ersetzen. Euno unterstützt Integrationen, die Data‑Warehouses und Plattformen wie Snowflake und Databricks umfassen; Transformations‑Tools einschließlich dbt; sowie Business‑Intelligence‑Plattformen wie Tableau, Looker, Power BI, ThoughtSpot, Sigma und Omni.

Kontext direkt in KI‑Systeme einbinden

Ein weiterer Baustein von Eunos Strategie besteht darin, diesen organisationsspezifischen Kontext direkt für Drittanbieter‑KI‑Agenten zugänglich zu machen.

Das Unternehmen betreibt einen Model Context Protocol (MCP)‑Server, über den Werkzeuge wie Claude, Cursor, Visual Studio Code Copilot und andere kompatible Systeme den Unternehmens‑Kontext von Euno abfragen können. Agenten können diese Werkzeuge nutzen, um Ressourcen zu finden, die vorgelagerte Herkunft zu prüfen, Impact‑Analysen durchzuführen, Dokumentationen zu durchsuchen oder EQL‑Abfragen zu erstellen und auszuführen.

Euno hat zudem Integrationen mit Systemen wie Snowflake Intelligence dokumentiert, die zeigen, wie seine Kontextschicht effektiv als Vermittler zwischen allgemeinen KI‑Modellen und dem zugrunde liegenden Datenbestand eines Unternehmens fungieren könnte.

Diese Positionierung spiegelt einen breiteren Wandel im Bereich der Unternehmens‑KI wider. Da der Zugang zu leistungsfähigen Modellen zunehmend commodifiziert wird, könnte die Differenzierung hin zu den proprietären Informationen rund um diese Modelle verschieben: Organisationsprozesse, Berechtigungen, Beziehungen, historische Entscheidungen, Definitionen und Rückmeldungen aus vorherigen Agenten‑Aktivitäten.

Kontext könnte Teil des Unternehmens‑KI‑Vorteils werden

Euno argumentiert, dass dieser angesammelte Kontext im Laufe der Zeit an Wert gewinnen kann.

Wenn ein Agent eine Aufgabe ausführt, kann das System Informationen darüber erfassen, wie der Kontext verwendet wurde, und diese Signale zurück in die Unternehmens‑Kontextschicht einspeisen. Theoretisch entsteht dadurch ein Feedback‑Loop, in dem ein Unternehmen schrittweise eine reichhaltigere maschinenlesbare Darstellung seiner Geschäftsabläufe aufbaut.

Dies greift auch eines der zentralen Probleme bei der Einführung agentischer KI an: Governance. Einem autonomen Agenten Zugang zu Unternehmenssystemen zu gewähren, ohne zu verstehen, welche Informationen er abrufen kann oder wie er diese interpretieren soll, birgt operative und sicherheitstechnische Risiken. Eunos Ansatz kombiniert kontextbezogene Abfrage mit rollenbasierter Governance, sodass ein Agent Informationen erhält, die für seine Aufgabe und Berechtigungen geeignet sind, anstatt uneingeschränkten Zugriff auf die gesamte Umgebung zu erhalten.

Das Unternehmen gibt an, dass seine Plattform Unternehmens‑Metadaten liest und nicht die zugrunde liegenden Geschäftsdaten selbst, eine architektonische Unterscheidung, die darauf abzielt, die Datenexposition zu reduzieren, während das System dennoch Beziehungen kartieren und Agenten mit operativem Kontext versorgen kann.

Euno arbeitet bereits mit Unternehmens­kunden wie AlphaSense und Zayo Group zusammen, und die Website dokumentiert zudem Implementierungen bei Unternehmen wie Bolt.

Für die breitere KI‑Industrie geht die Bedeutung der Euno-Series‑A‑Finanzierung über eine weitere Finanzierungsrunde für Unternehmensinfrastruktur hinaus. Grundmodelle werden schnell leistungsfähiger und für viele Workloads zunehmend austauschbar. Wenn dieser Trend anhält, wird eines der schwierigeren Probleme darin bestehen, diesen Modellen ein zuverlässiges Verständnis der Organisationen zu vermitteln, in denen sie eingesetzt werden.

Das könnte die Kontext‑Infrastruktur, statt des zugrunde liegenden Modells selbst, zu einer der entscheidenderen Schichten des entstehenden Enterprise‑KI‑Stacks machen.